用了AI出的图，签字那一刻责任到底算谁的？国内外的口径出奇一致：AI没执照、没主体、没法被问责，盖章就意味着“这是在我责任下完成的”，出了事只会问你“有没有像个称职的专业人那样核验过AI”？

CONTENTS目录

PROLOGUE一、导语：一次签字，两种语义

工程图纸、效果图、医学影像标注、新闻配图、广告物料——这些场景里都存在一个共同动作：签字或等效的确认动作（审批流中的“通过”、发布按钮、盖章、电子签名）。签字在形式上只是把名字写在成果上，但在法律与工程语义上，它同时完成了三件事：确认成果处于自身可控范围、确认已按行业标准完成核验、确认愿意为该成果承担相应责任。

生成式模型介入后，第一件事就出现了裂缝。扩散模型（Diffusion Model）的输出由随机种子、提示词、采样步数、引导系数共同决定，同一提示词在不同种子下可能产出差异极大的结果，这意味着“可控范围”本身需要重新定义。第二件事则被放大：核验对象从“我画的图对不对”变成了“模型生成的图里有没有我没看见的错误”。第三件事从未改变：签字人依然要担责。

本文不打算停留在“AI有没有版权”这类已经被大量讨论的问题上，而是把焦点前移到更贴近工程实践的一环：当一份含AI生成成分的成果被签字确认，责任如何分配、核验如何证明、流程如何设计。这条线索将贯穿全部章节。

PROBLEM DEFINITION二、背景与问题定义：可归责性缺口

2.1 三个概念的准确定义

讨论责任之前，需要先把几个常被混用的概念钉死。

把三者放在一起，缺口就显现了：AI系统不具备法律主体资格，因此无法成为可归责对象；但它的输出又实实在在进入了成果链。于是归责链条在模型这一环断裂，责任只能沿链条回落到最近的人类节点——签字人。而回落能否成立、成立到什么程度，取决于签字人是否履行了注意义务。

2.2 缺口的四种典型表现

2.3 为什么“AI没执照”是决定性事实

在需要执业资质的领域——建筑设计、医学影像诊断、法律文书、审计报告——签字之所以有意义，是因为签字人持有相应资质，其签字构成一种受监管的专业承诺。资质体系的前提是：持证人可被识别、可被追责、可被吊销。AI系统三项皆不满足。它无法被识别为持证主体，无法被施加职业处罚，也无法被吊销“执照”。

这就决定了一个结构性事实：无论AI在成果生产中占多大比重，最终对外承担责任的主体只能是持证的自然人或法人。监管者不会去追问模型为什么画错，只会追问签字人有没有像一名称职的专业人员那样核验过。这一追问方式在国内外高度一致，下一章展开。

REGULATORY LANDSCAPE三、国内外口径：监管、判例与行业规范的趋同

3.1 中国：标识义务与内容责任双轨

2025年3月，国家互联网信息办公室等部门发布《人工智能生成合成内容标识办法》，自2025年9月1日起施行，配套强制性国家标准GB 45438-2025《网络安全技术 人工智能生成合成内容标识方法》同步实施。该办法确立了“显式标识+隐式标识”的双层结构：显式标识面向用户可感知，隐式标识写入文件元数据，用于溯源。

在内容责任层面，《生成式人工智能服务管理暂行办法》（2023年8月施行）明确了服务提供者的内容管理义务；《互联网信息服务深度合成管理规定》（2023年1月施行）要求深度合成内容的使用者不得利用技术制作、传播虚假信息。需要强调的是，这些规定主要约束“提供者”和“使用者”，而“使用者”在工程交付场景中往往就是签字人所在的组织。

3.2 欧盟：AI Act的透明度义务与产品责任延伸

欧盟《人工智能法案》（Regulation (EU) 2024/1689）于2024年8月生效，采取风险分级思路。对生成式系统（通用目的AI模型及深度合成场景）设定了透明度义务：合成内容的提供者须以机器可读方式标记输出，深度伪造须作出披露。2025年以来，欧盟委员会持续推进通用目的AI模型行为准则的落地工作。

更值得工程侧关注的是欧盟新版《产品责任指令》（Directive (EU) 2024/2853）。该指令将“软件”明确纳入产品范畴，并针对AI等技术复杂性调整了举证规则——在技术复杂性导致受害者举证困难时，可适用过错推定或证据披露机制。这意味着，当含AI成分的成果造成损害，责任链条可能沿产品责任路径向上追溯，而签字人所在组织作为“投入流通的经营者”，处于链条的显要位置。

3.3 美国：版权局的“人类作者”门槛与州级深度伪造立法

美国版权局（USCO）在2023年3月发布的政策声明中明确：仅由机器生成、缺乏人类作者创造性投入的作品不受版权保护。2025年1月发布的《版权与人工智能》报告第二部分进一步细化：提示词本身通常不足以构成独创性表达，人类对输出的选择、编排、修改程度才是判断关键。Thaler v. Perlmutter案（D.C. Cir. 2025）维持了这一立场，明确无人类作者即无版权。

在责任侧，美国并无统一的AI责任联邦立法，但州层面动作频繁。田纳西州ELVIS Act（2024）、加州AB 2602与AB 1836（2024）等针对深度伪造与声音肖像的保护立法相继生效。联邦贸易委员会（FTC）则依据《联邦贸易委员会法》第5条对欺骗性AI宣传持续执法。

3.4 行业规范：从“允许用AI”到“必须披露怎么用”

专业协会与标准组织的态度转变值得注意。美国建筑师协会（AIA）在2024年发布的AI使用指引中，将AI定位为“辅助工具”，强调建筑师对最终成果的专业责任不因使用工具而转移。国际标准化组织ISO/IEC JTC 1/SC 42持续输出AI治理与风险管理标准，ISO/IEC 42001:2023《人工智能管理体系》为组织提供了可审计的管理框架。

新闻行业方面，路透社、美联社等机构自2023年起陆续发布生成式AI使用规范，核心条款高度相似：AI不得作为署名作者、AI生成内容须经人工核验、敏感题材须披露使用情况。这些规范虽非法律，但在侵权诉讼中常被作为“行业注意义务标准”的参考。

MECHANISM四、原理拆解：核验义务的技术构成

4.1 核验义务不是一句口号，而是可分解的检查项

法律上的“注意义务”听起来抽象，落到工程上却可以拆成有限个可执行检查项。笔者认为，对含AI生成成分的视觉成果，核验义务至少包含五个维度，每个维度都有对应的技术手段与留痕要求。

4.2 为什么“我看过了”不构成有效核验

在争议中，“我看过了”是最常见也最无力的抗辩。原因在于，核验义务要求的是“与专业身份相称的核验”，而不是“目光扫过”。一名结构工程师对AI生成的结构示意图，其核验标准应达到能发现配筋错误、跨度异常、荷载标注矛盾的程度；一名医学影像科医师对AI辅助标注，其核验标准应达到能识别假阳性病灶与解剖错位的程度。

这里可以借用软件工程中的“代码审查”（Code Review）类比。有效的代码审查不是“看一眼觉得没问题”，而是有检查清单、有审查记录、有责任人签署。本文评述：把核验做成“有清单、有记录、有签署”的流程，是让注意义务从主观状态变成客观证据的关键一步。没有记录的核验，在举证时几乎等同于没有核验。

4.3 一个可量化的核验强度模型

为了让核验强度可讨论、可配置，可以引入一个简化的量化框架。设成果的风险等级为 R（由用途、受众、可逆性决定），AI参与度为 A（由生成成分占比决定），则所需核验强度 V 可表示为：

V = f(R, A) = α·R + β·A + γ·(R × A)

其中：
  R ∈ [1, 5]   风险等级（1=内部草稿，5=公共安全相关）
  A ∈ [0, 1]   AI参与度（0=纯人工，1=纯生成）
  α, β, γ      组织可配置权重，建议初始值 α=0.4, β=0.3, γ=0.3

核验强度 V 对应检查项数量与复核层级：
  V < 1.5   → 单人核验 + 基础清单
  1.5 ≤ V < 3 → 双人交叉核验 + 完整清单
  V ≥ 3     → 双人核验 + 专家复核 + 留痕归档

需要说明，上述权重为工程经验建议值，属于本文提出的模拟配置方案，并非来自某项实证研究。组织应结合自身历史争议数据校准权重。其价值不在于数值精确，而在于把“核验该多严”从拍脑袋变成可讨论的参数。

EVIDENCE CHAIN五、证据链工程：从采样参数到审计日志

5.1 证据链的四个环节

证据链的目标是回答三个问题：这份成果是怎么来的、经过了谁的核验、核验依据是什么。对应四个环节：生成记录、处理记录、核验记录、交付记录。

5.2 最小可行实现：一个可落地的元数据模板

不必一上来就建重型系统。一个JSON格式的伴随文件即可覆盖八成需求，随成果文件一同归档。

{
  "artifact_id": "IMG-2025-0417-0032",
  "generation": {
    "model": "stable-diffusion-xl",
    "model_hash": "sha256:9f2c...",
    "prompt": "industrial valve cross-section, ...",
    "negative_prompt": "blurry, distorted, ...",
    "seed": 847291,
    "steps": 40,
    "cfg_scale": 7.5,
    "timestamp": "2025-04-17T09:12:33+08:00"
  },
  "postprocess": [
    {"op": "crop", "tool": "photoshop", "version": "25.3"},
    {"op": "inpaint", "region": "label_area", "tool": "sdxl-inpaint"}
  ],
  "verification": {
    "checklist_version": "v2.1",
    "items": {
      "factual_correctness": {"result": "pass", "note": "尺寸标注与图纸一致"},
      "rights_clearance": {"result": "pass", "note": "相似度检索无命中"},
      "labeling": {"result": "pass", "note": "显式+隐式标识已写入"},
      "traceability": {"result": "pass"},
      "scenario_fitness": {"result": "conditional", "note": "需结构工程师复核"}
    },
    "verifier": "zhang.li",
    "verified_at": "2025-04-17T14:05:00+08:00"
  },
  "delivery": {
    "final_hash": "sha256:3a7e...",
    "recipient": "client-a",
    "delivered_at": "2025-04-18T10:00:00+08:00"
  }
}

5.3 哈希与时间戳：让记录具备证据资格

日志本身也可能被质疑真实性。工程上的常见做法是对关键记录计算哈希，并写入可信时间戳或分布式账本。需要提醒的是，区块链存证在我国司法实践中已被认可，但其证明力仍取决于上链前数据的真实性——上链只能证明“某个哈希在某时刻存在”，不能证明“上链内容本身真实”。因此哈希存证必须与前端的采集控制配合，否则只是把不可信数据固化。

ENGINEERING CONTROL六、责任矩阵与门禁：把归责写进流水线

6.1 RACI式责任矩阵的改造

项目管理中的RACI矩阵（Responsible执行、Accountable负责、Consulted咨询、Informed知会）可以直接迁移到AI成果治理，但需要针对AI场景增加一列：模型在哪个环节介入、介入程度如何。

6.2 CI/CD式门禁：让不合规的成果出不了门

软件工程用持续集成门禁（Quality Gate）阻止不合格代码合入主干，这套思路完全可以迁移到AI成果交付。核心是把核验从“人的自觉”变成“流程的强制”。

落地时不必自研平台。用现有的工作流引擎（如审批流工具）加脚本校验即可实现前两道门禁；核验签署可绑定电子签名服务；风险分级复核则通过表单字段触发条件分支。关键不在技术复杂度，而在于门禁是否真的具备阻断能力——如果门禁可以被“特批”绕过且不留记录，它就形同虚设。

6.3 一个最小可用的核验清单

以下清单可直接用于日常作业，按成果类型裁剪。建议以勾选表单形式固化在审批流中。

1. 来源确认：本成果是否含AI生成成分？占比大致多少？使用的模型与版本是否记录？
2. 事实比对：关键结构、尺寸、文字、解剖关系是否与权威依据逐项比对？偏差是否已修正或标注？
3. 权利检索：是否对输出做过相似度检索？是否存在与知名作品高度相似的构图或元素？
4. 标识检查：显式标识是否按要求呈现？隐式元数据是否写入并验证可读？
5. 过程留痕：提示词、种子、后处理步骤是否已归档？哈希是否已计算？
6. 场景适配：是否满足该用途的强制标准或行业规范？是否需要第三方检测？
7. 复核独立性：核验人是否独立于生成人？高风险成果是否有专家复核？
8. 签字确认：签字人是否具备相应资质？是否理解并接受该成果的责任范围？

DATA & CASES七、关键数据与案例

7.1 生成内容检测的准确率现状

核验依赖检测工具，而检测工具的能力边界必须被如实认识。斯坦福大学HAI在2023年发布的研究（Puigcerver等参与的相关工作及后续综述）以及多篇2024—2025年的评测显示，通用AI图像检测器在跨模型、跨后处理的场景下准确率显著下降。2024年一项针对主流检测器的系统评测发现，经过压缩、裁剪、加噪等常见后处理后，部分检测器的真阳性率可从90%以上跌至60%以下。

7.2 版权登记与诉讼中的实践信号

美国版权局在2023—2025年间处理了大量含AI成分的登记申请。其公开的登记决定显示，对于人类对AI输出进行了实质性选择、编排、修改的作品，可以就人类贡献部分获得有限登记；纯AI输出部分则被排除。2025年1月的报告进一步指出，提示词工程本身通常不构成版权法意义上的创作行为。

在诉讼侧，2024—2025年多起涉及训练数据的案件（如Authors Guild诉OpenAI、纽约时报诉OpenAI等）仍在推进中，尚未形成终局性判决。需要谨慎的是，这些案件的争点集中在训练与输出环节的侵权认定，与本文关注的“签字核验责任”属于不同层次，不能直接套用。

7.3 一个假设性的工程场景推演

为把抽象讨论落到具体，构造一个推演场景（以下为模拟场景，用于说明流程，非真实案例）：某设备厂商的设计师用扩散模型生成产品外观效果图，图中包含一处阀门接口。设计师将图交给结构工程师复核，工程师按清单核对后发现接口朝向与装配要求不符，要求重绘。重绘后再次核验通过，签字交付客户。

这个场景里，责任链条清晰：设计师对生成与初筛负责，结构工程师对技术正确性负责，签字人对整体交付负责。若省略工程师复核环节直接交付，一旦客户按图施工出现问题，争议焦点将不是“模型为什么画错”，而是“为什么没有工程师复核”。这正是本文主线的具体体现。

LIMITS八、对比与局限：水印、溯源与检测的边界

8.1 三类技术手段的能力对比

C2PA（内容来源与真实性联盟）推动的内容凭证标准是元数据溯源的典型代表，2024—2025年间获得多家相机厂商与软件平台支持。但工程上必须清醒：元数据可以被轻易剥离，因此它证明的是“如果凭证存在且完整，则来源可信”，而不能证明“凭证不存在就意味着不是AI生成”。

8.2 本文分析框架的局限

需要坦率说明三点局限。其一，本文提出的核验强度模型权重为经验建议值，未经大规模实证校准，不同行业应自行调整。其二，各国监管仍在快速演进，本文引用的法规与判例截至写作时有效，后续可能变化。其三，本文聚焦视觉成果与工程交付场景，对文本生成、音频生成、代码生成场景的适用性需要另行讨论，尤其是代码生成的责任分配还涉及开源许可证兼容性等额外维度。

PLAYBOOK九、操作路径：六步核验法与模板

9.1 六步法